FDCNet: Frequency-Aware and Dynamic Curve Network for Adversarially Robust Infrared and Visible Image Fusion

Resumo Técnico: FDCNet para Fusão de Imagens Infravermelhas e Visíveis com Robustez Adversária

Definição do Problema
A Fusão de Imagens Infravermelhas e Visíveis (IVIF) integra informações multimodais complementares para superar as limitações de sensores únicos, desempenhando papéis críticos na condução autônoma, rastreamento de objetos e detecção de objetos salientes. No entanto, os métodos existentes de IVIF assumem predominantemente entradas livres de interferências, tornando-os frágeis contra ataques adversários deliberados. Algoritmos adversários clássicos (ex: FGSM, PGD, C&W) podem induzir uma degradação severa na inferência do modelo ao injetar perturbações imperceptíveis. Embora o treinamento adversário tenha sido explorado para aumentar a robustez, ele frequentemente cria um compromisso intrínseco: estratégias projetadas para suprimir ruído adversário de alta frequência resultam frequentemente em uma inibição de características excessivamente conservadora, levando ao suavizamento estrutural excessivo, perda de detalhes finos e uma contração da faixa dinâmica. Essa degradação restringe fundamentalmente a estabilidade de desempenho de tarefas de visão de jusante sob condições complexas.

Metodologia
Para abordar a contradição entre defesa adversária e fidelidade de características, os autores propõem a FDCNet (Rede de Curva Dinâmica e Sensível à Frequência). O framework opera como um sistema de treinamento adversário de ponta a ponta utilizando um backbone U-Net, integrando três componentes principais para equilibrar sinergicamente a eficácia da defesa e a qualidade visual:

1. Perda Espacial-Frequentícia Dinâmica de Adversário (LSFDA):
   Proposta ao nível de otimização, esta função de perda guia o treinamento robusto ao equilibrar adaptativamente a fidelidade estrutural e as restrições de características de alta frequência. Ela emprega uma estratégia de otimização min-max onde a maximização interna gera perturbações adversárias (via PGD) contra pseudo-rótulos, e a minimização externa atualiza os parâmetros da rede. A perda compreende um termo de fidelidade espacial estrutural de base e um termo de tolerância sensível à frequência normalizado. Este último utiliza a Transformada de Wavelet Discreta (DWT) para desacoplar subbandas de baixa e alta frequência, impondo uma restrição de "limite superior suave" sobre componentes de alta frequência para evitar a perda de detalhes enquanto penaliza o ruído excessivo. Um sistema de ponderação dinâmica de múltiplos níveis ajusta o foco entre a reconstrução estrutural e as capacidades de anti-interferência ao longo do processo de treinamento.

2. Módulo de Defesa Sensível à Frequência (FADM):
   Embutido nas conexões de salto (skip connections) multiescala do backbone U-Net, este módulo atua como a arquitetura de anti-interferência frontal. Ele intercepta a penetração de ruído entre camadas através de uma série cascata de cinco Blocos de Atenção de Desacoplamento de Frequência (FDAB). Cada unidade FDAB realiza:

   • Suavização Espacial e Desacoplamento de Wavelet: Utiliza convoluções separáveis em profundidade e DWT para separar as características em subbandas de baixa frequência (LL) e alta frequência (LH, HL, HH).
   • Geração de Frequência Invertível Afim (AIFG): Utiliza Blocos de Acoplamento Afim (ACB) para extrair características enquanto preserva detalhes de alta frequência através de uma invertibilidade matemática estrita, evitando a perda de informação durante a propagação direta.
   • Atenção Dupla Direcional Invertível (IDDA): Combina um ramo de Atenção Global de Mercer (MGA) para suavização de características macro (usando mapeamento de kernel para reduzir a complexidade) e um ramo de Atenção de Janela Local (LWA) para lidar com anomalias locais de alta frequência.
   • Reconstrução Residual: Reagrupa as subbandas purificadas via pixel-shuffle e conexões residuais para fornecer características robustas.

3. Módulo de Curva de Tomo Dinâmica Guiada por Extremos (EDTC):
   Projetado como um mecanismo de pós-compensação de retaguarda, o EDTC aborda as restrições mútuas entre o LSFDA e o FADM. Inspirado na teoria de Retinex e estratégias de estimativa de curva, ele acopla as características robustas preliminares com distribuições de valores extremos de múltiplas fontes (o envelope de máximo pixel das imagens de origem) como prioridades espaciais. O módulo prevê parâmetros de mapeamento não lineares de alta ordem pixel a pixel via uma rede leve e executa a reconstrução de curva quadrática iterativa. Este processo restaura efetivamente a distribuição de pixels, aliviando a contração da faixa dinâmica e recuperando a nitidez visual sem comprometer o sistema de defesa subjacente.

Principais Contribuições

• LSFDA: Uma nova função de perda que ajusta dinamicamente os pesos entre a fidelidade estrutural e as restrições de alta frequência, mitigando a perda de detalhes tipicamente associada às defesas adversárias convencionais.
• FADM: Uma arquitetura frontal que cascateia Blocos de Atenção de Desacoplamento de Frequência dentro das conexões de salto para interceptar e filtrar ruído adversário de alta frequência enquanto preserva detalhes espaciais de baixo nível através de transformações invertíveis.
• EDTC: Um mecanismo de compensação de retaguarda que utiliza prioridades extremas de múltiplas fontes para realizar o mapeamento não linear pixel a pixel, resolvendo efetivamente os trade-offs de desempenho entre os módulos de defesa e restaurando a qualidade visual da imagem.
• Framework Unificado: A integração desses componentes na FDCNet alcança um equilíbrio sinérgico entre robustez adversária e fidelidade de características, superando métodos de estado da arte (SOTA) tanto em métricas objetivas quanto na estabilidade de tarefas de visão de jusante.

Resultados Experimentais
Experimentos extensos foram conduzidos nos conjuntos de dados M³FD e MFNet, comparando a FDCNet contra oito modelos de fusão SOTA (incluindo SeAFusion, TarDAL, PAIF e A²RNet).

• Qualidade de Fusão: Sob ataques adversários (PGD), a FDCNet superou consistentemente os modelos de base em cinco métricas objetivas: Entropia (EN), Desvio Padrão (SD), Relação Sinal-Ruído de Pico (PSNR), Coeficiente de Correlação (CC) e Soma de Diferença Cruzada Estruturada (SCD). A análise qualitativa mostrou que a FDCNet preserva a saliência térmica infravermelha e os detalhes de textura visível com desvio mínimo de forma de onda de sinal entre os estados limpo e atacado, enquanto outros métodos exibem ruído severo, distorção ou colapso estrutural.
• Estabilidade de Tarefas de Jusante: Quando as imagens fundidas foram alimentadas em redes pré-treinadas de detecção de objetos e segmentação semântica, a FDCNet demonstrou robustez superior. Nos conjuntos de dados M³FD e MFNet, a FDCNet alcançou o maior mAP (Precisão Média) e mIoU (Interseção sobre União Média) sob condições de ataque, com a menor degradação de desempenho (ex: queda de mAP de apenas 0,012 no M³FD) em comparação com outros métodos. Resultados de detecção visual confirmaram que a FDCNet detectou com sucesso todos os alvos (pedestres e veículos) com alta confiança, enquanto outros modelos sofreram com detecções perdidas e segmentação fragmentada.
• Estudos de Ablação: Experimentos verificaram que, embora os módulos individuais (LSFDA, FADM, EDTC) tenham melhorado o desempenho, sua operação conjunta sem o EDTC levou a restrições de desempenho devido a objetivos de otimização conflitantes. O modelo completo (M6) incorporando todos os três componentes alcançou resultados ótimos, confirmando a necessidade do EDTC para reconciliar defesa e fidelidade.

Significância
O artigo afirma que a FDCNet mitiga efetivamente os efeitos adversos das perturbações adversárias nas tarefas de IVIF, um domínio anteriormente vulnerável a tais ataques. Ao introduzir uma estratégia de defesa sensível à frequência acoplada a um mecanismo de compensação de curva de tomo dinâmica, o método supera com sucesso o tradicional compromisso entre imunidade anti-interferência e fidelidade de imagem. Os resultados demonstram que a FDCNet não apenas mantém resultados de fusão de alta fidelidade, mas também estabiliza significativamente o desempenho de tarefas críticas de visão (detecção de objetos e segmentação semântica) em ambientes adversários. Os autores reconhecem que o desacoplamento de frequência multiescala e as iterações não lineares aumentam a complexidade computacional, sugerindo que trabalhos futuros se concentrarão em design leve e otimização da eficiência de inferência para implantação em engenharia prática.